Cero defectos al cliente

El problema

El PPM no lo arruina un fallo grande, sino cuatro pequeños que se suman.

Un defecto o una trazabilidad rota llegando al cliente automotriz es el mayor riesgo reputacional y contractual del sub-sector. Cada incidente cuesta desde el coste directo de contención hasta el riesgo de perder volumen futuro con ese OEM.

• Un lote arrancado con granza mal secada, una cavidad que llevaba dos días dando más rebaba, una etiqueta tecleada deprisa y una liberación firmada sin mirar: cada eslabón pasa su control por separado.
• Juntos producen la caja que el cliente abre en su línea y devuelve con una reclamación formal detrás.
• Para un Tier 1, 2 o 3 de inyección, un defecto o una trazabilidad rota llegando al cliente es el mayor riesgo del negocio: coste directo de contención, personal desplazado y una conversación sobre volumen futuro.
• Por eso los controles aislados no bastan. Lo que delata la concatenación es que cuatro fuentes independientes dejen de concordar entre sí.

Cómo encaja con el sistema IRIS

Anillo sobre anillo — ERP, etiquetadora, visión Edge y expediente, comprobándose entre ellos.

Anillo 1 (ERP) define molde, parámetros, lote y número de parte. Anillo 2 (etiquetadora) imprime lo que el ERP publica, sin tecleo. Anillo 3 (Edge) valida el primer artículo y detecta defecto pieza a pieza. Si algo no coincide, JIDOKA AI bloquea la línea mientras SMED AI acelera el cambio de molde. Anillo 4 (evidence pack) certifica que todo cruzó bien.

Ningún anillo resuelve el problema por separado: los cuatro existen ya en alguna forma en cualquier planta seria y aun así la caja se escapa. La fuerza está en el cruce, y en que la discrepancia detenga la línea dentro de la nave en lugar de descubrirse en el muelle de recepción del cliente.

Ver la arquitectura IRIS completa →

Antes y después

Qué aporta cada anillo contra el defecto en cliente

Anillo	Qué casos lo forman	Qué impide
1 · ERP	Arranque de lote (1), secado (6), recepción (7)	Que el lote arranque con material o parámetros que no son
2 · Etiquetadora	Etiqueta de lote sin tecleo (8)	Que una caja correcta salga identificada como otra
3 · Visión Edge	Defecto al vuelo (9), primer artículo (10)	Que la pieza con rebaba o rechupe entre en la caja
4 · Expediente	Dossier de auditoría (11)	Que el lote salga sin evidencia que lo respalde
Cuando dos anillos no concuerdan	JIDOKA AI	Que la discrepancia se descubra fuera de la planta
Mientras el anillo está detenido	SMED AI	Que la parada se convierta en pérdida de capacidad

riesgo de contención o recall parcial en cliente → cero, con detección de discrepancia dentro de planta, no en el cliente.

Estimación de impacto

Estimación de impacto — a validar con vuestros números.

El siguiente bloque es una estimación a validar con los datos concretos de tu planta. Lo planteamos para que el comité tenga un orden de magnitud; lo refinamos en el diagnóstico.

• Payback estimado 6-12 meses contando únicamente el primer incidente evitado en cliente.
• Protección frente a una contención: coste de clasificación, personal desplazado, fletes urgentes y penalización contractual.
• Detección de la discrepancia dentro de la planta, antes de que la caja salga, en lugar de en el almacén del cliente.
• Y protección de la relación comercial multi-anual, que es lo que decide si el programa siguiente se adjudica a vuestra planta o a la de al lado.

protección frente a contención o pérdida de volumen con el cliente, protección de la relación comercial multi-anual. Payback estimado 6-12 meses contra el primer incidente evitado. Estimación a validar con el responsable de calidad y dirección de planta.

Y la duda razonable del responsable de producción

«¿Hay que desplegar los doce casos para que esto funcione?» — no, y plantearlo así es la forma segura de no empezar nunca. Los anillos se construyen por capas y cada caso paga solo desde el primer mes: con el arranque de lote y la etiquetadora ya tenéis el anillo 1 y el anillo 2 completos. Además, JIDOKA AI detiene ante discrepancia comprobable entre fuentes, no ante incertidumbre de un modelo; en las capturas donde sí interviene extracción, la tarea es anclada y los mejores modelos bajan del 1,5% de error [1].

^[1] Paper OpenAI «Why Language Models Hallucinate», 2025 — sobre fiabilidad de la IA en tareas ancladas.